Publications du Service canadien des forêts

Predicting the effect of thinning on growth of dense balsam fir stands using a process-based tree growth model. 2003. Raulier, F.; Pothier, D.; Bernier, P.Y. Can. J. For. Res. 33: 509-520.

Année : 2003

Disponible au : Centre de foresterie des Laurentides

Numéro de catalogue : 22760

La langue : Anglais

Disponibilité : PDF (demande par courriel)

Sélectionner

Résumé

Un modèle de croissance d’arbre basé sur des processus fonctionnels est utilisé pour analyser les effets de l’éclaircie sur la croissance du sapin baumier (Abies balsamea (L.) Mill.) dans des peuplements denses ayant pratiquement atteint leur maturité commerciale et qui n’ont jamais été éclaircis. Le modèle est utilisé pour prédire la croissance d’un peuplement pendant 20 ans suite à la mise en place d’un dispositif d’éclaircie dans lequel quatre traitements ont été testés. La combinaison des propriétés du peuplement et du type de traitement est très particulière et n’a pu être évaluée sur la base d’expériences antérieures. Notre objectif consiste à fournir une estimation des effets des traitements et de leur erreur sur un horizon de temps approprié à la prise de décision. Cet objectif est atteint au moyen d’une représentation empirique des processus de croissance ajustée aux données observées, tout en limitant les intrants du modèle à ceux normalement rendus disponibles par un inventaire forestier usuel. Les simulations suggèrent que 20 ans après l’application des traitements, la croissance des tiges des plus petites classes de diamètre est améliorée, alors que celle des arbres les plus grands (>0,1 m3) n’est pas affectée. Lorsque les erreurs attribuables à la modélisation ne sont pas prises en compte, les résultats après 20 ans indiquent, avec un niveau de confiance supérieur à 95 %, que le volume marchand des placettes traitées ne rejoint pas celui des témoins, ce qui est contraire à l’effet initialement attendu de ces traitements. L’inclusion des erreurs de modélisation réduit le niveau de confiance associé à de tels résultats à 70 %. Une telle inclusion prévient l’utilisation abusive des prédictions du modèle trop loin dans le futur.